《Research in Neurodiversity》：Attitude and Motivation to Work in Autism Rehabilitation Operators: Algorithms Based on Reaction Times
编辑推荐：
本研究针对自闭症康复工作者工作动机评估中自陈量表易受社会期许偏差影响的问题，创新性地将基于反应时（RT）的内隐测量与机器学习（ML）算法（如Na?ve Bayes和Random Forest）相结合。研究发现，针对意外工作陈述的反应时（如RT_No-No_Unexp）和逆效率分数（IES）等内隐指标能有效区分模拟的“满意”与“不满意”个体，并成功对28名康复专业人员进行了探索性分类（准确率78%）。这为客观评估康复工作者的潜在工作动机和态度不一致性提供了新的方法论框架，对预防职业倦怠、提升干预质量具有重要意义。
在自闭症康复这一充满挑战的领域，康复工作者的工作态度和动机质量直接关系到干预效果和自闭症个体的福祉。然而，一个长期存在的困境是：传统的自陈式问卷（如动机量表）极易受到社会期许偏差的影响——工作者可能有意或无意地隐藏其真实的负面情绪或职业倦怠，呈现出“积极”但可能失真的专业形象。这种“伪装”下的动机状态，如同水面下的冰山，难以探测，却可能悄然影响工作稳定性、治疗关系的质量，甚至导致人员高流动率，这对于需要稳定、可预测环境支持的自闭症个体而言，影响尤为深远。如何穿透自我报告的表象，捕捉到工作者内在、真实的动机状态，成为了提升康复服务质量的关键科学问题。正是在此背景下，一项发表于《Research in Neurodiversity》的研究进行了开创性的探索。
为了回答这个难题，研究人员将目光投向了心理学中常用于探测无意识过程的“内隐测量”和前沿的数据分析技术。研究的核心思路是：当一个人试图掩饰真实态度（例如，内心对工作不满但口头声称满意）时，其认知处理会变得更“费力”，这种认知负荷会体现在行为上，最典型的指标就是反应时间（Reaction Time, RT）的延长和反应一致性的降低。这类似于测谎原理中说真话是自动化的、快速的，而说谎则需要更多的认知资源，从而导致反应延迟。研究团队设计了一项巧妙的探索性研究，旨在检验基于反应时的内隐测量，结合机器学习（Machine Learning, ML）算法，是否能够识别出康复专业人员中潜在的动机缺乏和态度不一致性。
研究的关键技术方法主要包括：1）研究队列：招募了28名真实的自闭症康复工作者以及20名被随机分配扮演“满意”或“不满意”康复工作者角色的大学生（各10名）作为模拟对照组；2）定制化计算机任务：使用E-Prime? 2.0软件开发的内隐测量任务，包含控制性陈述和意外的、与工作态度/动机相关的实验性陈述，精确记录被试对每项陈述的反应时和回答一致性；3）传统纸笔测验：作为对照，使用工作动机量表（MAWS）、社会期许量表（BIDR-6）和人口学问卷进行评估；4）机器学习分析：基于学生模拟组数据筛选出的显著反应时变量，应用朴素贝叶斯（Na?ve Bayes）和随机森林（Random Forest）算法对真实康复工作者样本进行探索性分类。
行为结果
对大学生模拟组的分析结果极具启发性。计算机任务的表现显示出两组间广泛而显著的差异，而传统的纸笔测验则未能区分出“满意”与“不满意”的模拟角色。具体而言，在计算机任务中，扮演“不满意”角色的学生在回答意外工作相关陈述时，其反应时显著更长。尤其值得注意的是几个关键指标：当需要对预期答案为“否”的陈述（如“我的工作让我感到悲伤”）也作出“否”的回答时（RT_No-No_Unexp）、“不满意”组学生的反应时显著延长；他们在回答正确的意外陈述时的总反应时（RT_Unexp_right）以及所有意外陈述的总反应时（RT_Unexp）和综合了反应时与准确率的逆效率分数（Inverse Efficiency Score, IES_Unexp）也都显著更高。这些发现强烈暗示，试图掩饰负面工作态度会导致认知处理速度变慢，尤其是在需要处理与内在态度可能冲突的工作动机信息时。
机器学习分析
研究人员从行为结果中筛选出四个最具区分度的变量（RT_No-No_Unexp, RT_Unexp_right, RT_Unexp, IES_Unexp）作为特征，构建机器学习模型。无论是朴素贝叶斯还是随机森林算法，在区分学生模拟的“满意”与“不满意”档案时都达到了78%的准确率。其中随机森林模型显示出更好的综合性能（如曲线下面积AUC为0.819）。应用此模型对28名真实康复工作者进行分类，结果显示有7名工作者被归类为“不满意”，21名为“满意”。进一步比较这两组工作者在四个关键变量上的得分，发现被归类为“不满意”的工作者在这四个指标上的得分均显著高于“满意”组，这与在学生模拟组中观察到的模式一致。这表明，在真实工作场景中，那些可能存在潜在工作动机问题的康复工作者，同样表现出对工作相关陈述反应更慢、认知效率更低的特征。
讨论与结论
本研究成功地将内隐行为测量与计算精神病学方法引入康复工作者动机评估领域。结果表明，基于反应时的指标（如RT、IES）结合机器学习分析，能够探测到传统自陈量表无法捕捉到的动机状态差异。这为解决社会期许偏差对工作动机评估的干扰提供了强有力的新工具。从理论层面看，研究结果可与自我决定理论（Self-Determination Theory, SDT）相联系。更快的反应和更高的一致性可能反映了自主动机（行为出于个人兴趣和价值认同），而更慢的反应和更低的一致性则可能暗示了受控动机或动机缺乏（行为出于外部压力或内在冲突）。因此，反应时指标可能为理解动机的“质量”提供了一个客观的行为标记。
这项研究的发现具有重要的实践意义。这种内隐评估方法未来或可应用于康复机构的人员选拔、在职监测和职业健康促进中。通过定期评估，机构可以早期识别出存在职业倦怠风险的工作者，并及时提供支持，从而稳定团队、提升干预质量，最终惠及接受服务的自闭症个体。当然，作为一项探索性研究，它也存在局限性，如样本量较小、性别分布不均、使用学生模拟而非真实动机状态等。研究结论是初步的，未来的研究需要在更大样本、更生态效度的环境下进行验证，并探索将服务使用者的评价等外部效标纳入模型验证。尽管如此，这项研究无疑为客观评估和理解康复专业人员的复杂动机世界开辟了一条充满希望的新途径。
